KR20230064662A - Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 - Google Patents
Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 Download PDFInfo
- Publication number
- KR20230064662A KR20230064662A KR1020210149616A KR20210149616A KR20230064662A KR 20230064662 A KR20230064662 A KR 20230064662A KR 1020210149616 A KR1020210149616 A KR 1020210149616A KR 20210149616 A KR20210149616 A KR 20210149616A KR 20230064662 A KR20230064662 A KR 20230064662A
- Authority
- KR
- South Korea
- Prior art keywords
- acoustic image
- image classification
- data
- artificial intelligence
- acoustic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 80
- 238000013145 classification model Methods 0.000 claims abstract description 49
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000001028 reflection method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 239000003653 coastal water Substances 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 238000004062 sedimentation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000003062 neural network model Methods 0.000 claims 2
- 239000002344 surface layer Substances 0.000 claims 2
- 238000002592 echocardiography Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 13
- 230000001788 irregular Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000013049 sediment Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002035 prolonged effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 231100000241 scar Toxicity 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000032544 Cicatrix Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000037387 scars Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
- G01V1/3843—Deployment of seismic devices, e.g. of streamers
- G01V1/3852—Deployment of seismic devices, e.g. of streamers to the seabed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
- G01V1/18—Receiving elements, e.g. seismometer, geophone or torque detectors, for localised single point measurements
- G01V1/186—Hydrophones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/129—Source location
- G01V2210/1297—Sea bed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/14—Signal detection
- G01V2210/142—Receiver location
- G01V2210/1427—Sea bed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/16—Survey configurations
- G01V2210/161—Vertical seismic profiling [VSP]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/661—Model from sedimentation process modeling, e.g. from first principles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Oceanography (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
인공지능 기반 천부지층탐사자료의 음향상 분류 방법 및 장치가 제시된다. 본 발명에서 제안하는 인공지능 기반 천부지층탐사자료의 음향상 분류 방법은 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계, 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계, 음향상 분류 모델의 인공지능 기반 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 단계 및 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계를 포함한다.
Description
본 발명은 천부지층탐사자료의 음향상 분류에 관한 것으로, 더욱 상세하게는 해양지층에 부존하는 석유가스 탐사에 사용되는 해양 탄성파탐사에서 획득하는 탐사자료의 음향상 분류 방법 및 장치에 관한 것이다.
해양 탄성파 반사법 탐사(seismic reflection method)는 인공적으로 음파(다시 말해, 음원)를 수중에서 발생시키고, 발생된 음파가 해수(다시 말해, 물)와 해저면 아래의 지층을 통과하여 되돌아온 신호를 기록하여 해저지층의 수직적 깊이, 두께 및 수평적 분포 등의 해저면 아래의 정보를 파악하는 천부지층탐사 방법이다.
일반적으로, 해양 탄성파 반사법 탐사는 수중이라는 큰 매체 아래에 존재하는 해저면 이하의 지질학적 지층의 층서 및 배태 형성 등을 조사하는 영역을 의미한다. 넓은 조사영역을 수행함에 있어서, 해양 탄성파 반사법 탐사에서는 보통 하나 이상의 탄성파 음원과 함께 탄성파 수신센서를 운용하게 된다.
해양 탄성파 반사법 탐사의 음파의 주파수 대역은 수 Hz ~ 수 kHz를 사용함으로써 수십에서 수백 킬로미터의 대규모 지질구조나 지각구조를 파악하거나 해저면 아래의 수십 미터 정도의 천부지층탐사에 널리 이용된다. 이때 음원의 주파수는 투과심도 및 해상도와 상응하는 관계에 있어 주파수가 크면 투과심도는 작으나 해상도는 높아지고 주파수가 작으면 투과심도는 깊어지나 해상도가 떨어진다.
탄성파 신호(seismic signal)는 음파를 발생시킬 때마다 음파의 주행시간에 따른 음파의 진폭크기 배열 자료(예를 들어, 트레이스(trace))로 표현되는데 각 자료에는 날씨, 수심, 선박의 엔진, 주변 환경 등 전기적인 노이즈(noise)와 해저면 아래의 지층경계면의 반사신호(reflector)가 함께 기록된다.
해양 탄성파 반사법 탐사에 의하여 얻어진 탄성파 탐사 원시자료는 크게 주신호부와 부가정보부로 구분된다. 탄성파 탐사 원시자료의 주신호부는 음파의 주행시간에 따른 음파의 진폭크기의 배열 자료인 트레이스가 거리에 따라 배열되는 t-x 매트릭스(matrix) 형태의 자료로 구성된다. 이러한 주신호부와 부가정보부는 디지털형식 SEG(Society of Exploration Geophysicists)-Y 형식으로 저장되는데, [Text File Header] - [Binary File Header] - [Trace Header] - [Trace Data] 순서의 구조체로 저장된다. SEG-Y 형식에서 [Text File Header], [Binary File Header], [Trace Header] 부분은 부가정보부에 해당되고, [Trace Data] 부분은 주신호부에 해당된다.
이러한 정보들을 가지고 있는 탄성파 신호와 이러한 정보들이 기록되어 있는 탄성파 형식을 이용하여 천부지층탐사자료에 대해 음향상 분류를 수행해야 하기 때문에 본 발명은 해양 탄성파 탐사기술과 그 방법에 밀접한 관련이 있다.
또한, 해저면에 분포하는 표층 퇴적물의 종류를 정확하고 신속하게 분류할 수 있는 기술은 해양지질학, 해양생물학, 지질공학, 해양공학 및 환경연구뿐만 아니라 수산 및 양식분야에서 그 활용가치가 높다. 해저 퇴적물의 종류를 파악하기 위한 가장 보편적인 방법은 시추기(core)나 채니기(grab sampler)를 이용하여 직접 시료를 채취하여 분석하는 방법과 다이버나 수중촬영 등으로 직접 조사하는 방법이다.
최근에는 단빔 또는 다중빔 음향측심기를 이용한 퇴적물 자동분류 소프트웨어들이 개발되고 있으며 대표적으로는 Marine Micro System사의 ROXANN과 Quester Tangent Corporation사의 QTC View, QTC SWATHVIEW 등이 있다. 이러한 소프트웨어는 음파의 반사특성을 직접 이용하는 방법으로 자료를 직접 취득함으로써 이루어진다.
이러한 방법은 직접적인 시료 채취나 수중촬영 등의 방법에 비하여 훨씬 더 저비용이며 고효율이라는 장점이 있다. 그러나 상기 소프트웨어에 의한 자동 분류는, 단빔 또는 다중빔 음향측심기를 이용하여 직접 자료를 취득 및 저장된 데이터베이스를 분석 처리하여 퇴적물을 분류하는 시스템으로서, 과거에 취득된 탄성파 탐사 자료는 이용할 수 없다는 단점이 있다. 즉, 상기 소프트웨어에 의한 자동 분류는 단빔 또는 다중빔 음향측심기와 긴밀히 결합될 때에만 퇴적물을 분류할 수 있으며, 과거에 취득된 탄성파 탐사 자료는 전혀 활용할 수 없다는 문제가 있다.
이와 같이 현재 취득되는 탄성파 탐사 자료는 물론이며, 과거에 기록된 방대한 양의 탄성파 탐사 자료 모두를 활용하여 해저면 퇴적물을 자동 분류할 수 있는 방법을 필요로 한다.
한국자원공학회지 ksmer-2020-057-03-295
본 발명이 이루고자 하는 기술적 과제는 인공지능(Artificial Intelligence; AI)기반 천부지층탐사자료의 음향상 분류 방법 및 장치를 제공하는데 있다. 인공지능 기반 기계학습을 통한 데이터 기반의 분류를 수행함으로써 빠른 속도와 일정한 기준을 가지는 천부지층탐사자료에 대한 음향상 분류 결과를 도출하고자 한다.
일 측면에 있어서, 본 발명에서 제안하는 인공지능 기반 천부지층탐사자료의 음향상 분류 방법은 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계, 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계, 음향상 분류 모델의 인공지능 기반 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 단계 및 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계를 포함한다.
상기 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계는 천부지층탐사자료에서 나타나는 지층의 연속성과 해상도를 개선하기 위해 천부지층탐사자료의 잡음을 제거하고 신호를 보정하며, 수신기의 안정성을 위해 불량 트레이스를 제거하고 신호가 나타나지 않은 심도의 자료를 제거하며, 천부지층탐사자료의 신호대 잡음비를 개선하기 위해 기하보정 및 감쇄보정을 위한 천부지층탐사자료의 이득회수 값을 결정하고, 파도 및 파고를 포함하는 주변환경에 의한 너울효과를 제거하며, 천부지층탐사자료의 특성에 따라 잡음을 포함하는 주파수를 제거하여 출력된 천부지층탐사자료를 인공지능기법에 적용하기 위해 SEG-Y 형식을 갖는 천부지층탐사자료로 정규화 변환한다.
상기 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계는 해양 탄성파 반사법 탐사방법에 의해 기록되는 천부지층탐사자료를 해저면 특성과 해저지형 형상으로 구분하여 음향상 분류 기준을 생성하고, 상기 음향상 분류 기준에 따라 이미지와 기호 입력하여 음향상 코드 위치에 대한 레이블링을 수행한다.
상기 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계는 인공지능기법인 합성공신경망 모델을 천부지층탐사자료 음향상 분류에 적용하여 학습을 수행한다.
상기 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계는 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행하고, 상기 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 정밀지형자료와 비교 분석하고, 기상자료와 연계 해석하여 연안해역, 대륙붕, 대륙사면, 심해저의 퇴적작용 상호관계를 분석하며, 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 인공지능 기반 천부지층탐사자료의 음향상 분류 장치는 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하고, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 전처리부, 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 학습을 수행하는 학습부, 음향상 분류 모델의 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 모델링부 및 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 음향상 분류 수행부를 포함한다.
본 발명의 실시예들에 따른 인공지능(Artificial Intelligence; AI)기반 천부지층탐사자료의 음향상 분류 방법 및 장치를 통해 기존의 천부지층탐사자료에 대한 음향상 분류의 한계를 인공지능 기술 및 기계학습을 통한 데이터 기반의 분류를 수행하여 빠른 속도와 일정한 기준을 가지는 천부지층탐사자료에 대한 음향상 분류 결과를 도출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류를 설명하기 위한 모식도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 기준표이다.
도 4는 본 발명의 일 실시예에 따른 인공지능기반 YOLOv3 모델 학습을 설명하기 위한 예시도 이다.
도 5는 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 개념도이다.
도 6은 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 기준표이다.
도 4는 본 발명의 일 실시예에 따른 인공지능기반 YOLOv3 모델 학습을 설명하기 위한 예시도 이다.
도 5는 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 개념도이다.
도 6은 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 장치의 구성을 나타내는 도면이다.
본 발명은 해양지층에 부존하는 석유가스 탐사에 사용되는 해양 탄성파탐사에서 획득한 탐사자료의 음향상 분류에 관한 것으로, 천부지층탐사자료의 음향상 분석 기술을 제안한다.
본 발명의 실시예에 따르면, 해저면의 특징, 해저퇴적층의 층서 및 내부구조 등 다양한 퇴적환경에서의 퇴적체의 퇴적과정을 확인하는데 매우 유용한 방법으로서 이용되고 있는 해양탐사 자료처리 및 자료해석 기술(Damuth, 1975, 1978; Pratson and Laine, 1989)을 이용한다. 해양 탄성파탐사 방법에 따라 조사해역에서 획득한 천부지층탐사자료를 이용하여 해저면의 퇴적상의 변화를 인지하기 위한 음향상 분석 기술을 제안하고, 퇴적상의 변화는 퇴적물 공급(sediment supply), 퇴적가능 공간(accommodation space) 그리고 해수의 이동 및 파도(Current & Wave)에 의해 결정되는 이슈(issue)로서 천부지층탐사자료의 음향상 분류에서 주요 변수로 활용된다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류를 설명하기 위한 모식도이다.
본 발명은 해양 탄성파 반사법 탐사방법으로 취득한 천부지층탐사자료를 음향상 분류기준에 따른 자료 분류를 인공지능방법을 이용하여 수행할 수 있는 음향상 분류 기법 개발에 관한 것이다. 천부지층탐사자료를 음향상으로 분류하기 위해 천부지층탐사자료에 나타나는 지층의 연속성과 해상도를 향상시키기 위한 전처리가 선행되어야 한다.
본 발명의 실시예에 따르면, 먼저 입력 데이터로 탄성파 이미지 및 음향상 분류 코드를 입력 받을 수 있다(110). 이후, 이미지 및 영상의 특징 추출에서 탁월한 성능을 보이는 합성곱신경망의 인공지능기반 YOLOv3 모델을 이용하여 인공지능기반 학습을 수행할 수 있다(120).
인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 음향상 분류를 수행함으로써 빠른 속도의 분류와 일정한 기준의 음향상 분류 결과를 제공할 수 있다(130).
도 2는 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 방법을 설명하기 위한 흐름도이다.
제안하는 인공지능기반 천부지층탐사자료의 음향상 분류 방법은 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계(210), 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계(220), 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계(230), 음향상 분류 모델의 인공지능 기반 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 단계(240) 및 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계(250)를 포함할 수 있다.
단계(210)에서, 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행한다.
본 발명은 해양 탄성파 반사법 탐사방법으로 취득한 천부지층탐사자료를 음향상 분류기준에 따른 자료 분류를 인공지능방법을 이용하여 수행할 수 있는 음향상 분류 기법 개발에 관한 것으로서, 천부지층탐사자료를 음향상으로 분류하기 위해 천부지층탐사자료에 나타나는 지층의 연속성과 해상도를 향상시키기 위한 전처리를 수행한다.
먼저, 현장탐사에서 획득한 천부지층탐사자료의 잡음을 제거하고 신호를 보정하고, 수신기 불안정 등의 영향으로 인한 불량 트레이스들을 제거하고 신호가 잘 나타나지 않은 깊은 심도의 자료를 제거한다. 또한, 천부지층탐사자료의 신호대 잡음비를 향상시키기 위해 기하보정 및 감쇄보정을 위한 천부지층자료의 이득회수 값을 결정한다. 뿐만 아니라, 파도 및 파고 등 주변환경에 의한 너울효과 제거하고, 천부지층탐사자료의 특성에 따라 잡음을 포함하는 주파수를 제거할 수도 있다.
본 발명의 실시예에 따르면, 이러한 전처리를 통해 출력된 천부지층탐사자료를 인공지능기법에 적용하기 위해 SEG-Y 형식을 갖는 천부지층탐사자료로 정규화 변환한다.
단계(220)에서, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행한다.
자료에 대한 전처리 수행 후, SEG-Y 형태의 천부지층탐사자료를 주신호 및 부가정보로서 로딩(loading)한다. 입력된 천부지층탐사자료의 트레이스에 대한 진폭 및 상관관계를 이용하여 자동으로 표층반사파를 확인하고, 표층반사파 하부의 진폭 및 주파수 등의 음향특성을 분석하여 하부반사파의 퇴적층 구조를 파악한다.
단계(230)에서, 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행한다.
단계(240)에서, 음향상 분류 모델의 인공지능 기반 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행한다.
본 발명의 실시예에 따른 인공지능기법을 적용하여 고도차 지형에 대한 분류를 하기 위해서 표층반사파에 대한 해저면 신호들의 수평적 연속성을 고려하여 평탄(flat)한지, 기울어짐이 있는지, 언덕 형상의 등성(mound form)이 나타나는지를 확인한다. 이후, 해저면 하부의 하부반사파에 대한 퇴적층 구조의 수평적 연속적 형태가 층리형상인지, 쐐기형상인지, 음향혼탁층이 나타나는지를 확인한다.
이러한 1차, 2차에 걸친 음향 분류 특성을 고려하여 단계(250)에서 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력한다.
도 3은 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 기준표이다.
기존의 천부지층탐사자료에 대한 음향상 분류는 사용자의 육안분석을 통해 수행되어 많은 시간이 소요되며, 사용자의 주관이 개입될 여지가 많고, 사용자의 경험 및 숙련도에 따라서 상이한 분류 결과를 도출하게 되는 한계가 있다.
본 발명에서는 이러한 한계를 개선하기 위해 인공지능 기반 기계학습을 통한 데이터 분류를 수행하여, 빠른 속도와 일정한 기준을 가지는 천부지층탐사자료에 대한 음향상 분류 결과를 도출하고자 한다.
본 발명의 실시예에 따르면, 해양 탄성파 반사법 탐사방법에 의해 기록되는 천부지층탐사자료를 도 3의 예시와 같이 해저면 특성과 해저지형 형상으로 구분하여 음향상 분류 기준을 생성할 수 있다.
본 발명의 실시예에 따른 해양 탄성파 반사법 탐사방법으로 획득한 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 자료 분류를 수행함으로써 빠른 속도의 분류와 일정한 기준의 음향상 분류 결과를 제공할 수 있다.
또한, 인공지능기법의 적용이 가능해짐으로써 천부지층탐사자료의 정확한 음향상 분류를 수행함으로써, 국내 주변해역의 천부지층에 대한 음향상 분포를 파악할 수 있으며, 정밀지형자료와 비교 분석하여 과거자료와는 달리 그 지역에 대한 지형적 분포특성을 정확한 자료를 도출할 수 있다. 더 나아가, 태풍자료 등 기상자료와 연계 해석하여 연안해역, 대륙붕, 대륙사면, 심해저의 퇴적작용 상호관계를 파악할 수 있다.
따라서, 본 발명의 실시예에 따르면 관련분야의 기초자료 취득 및 설계자료 작성을 진행하기 위해, 해양조사 및 탐사자료의 자료처리 및 해석이 보다 정확하고 효율적으로 수행될 것이며, 이에 따라 고품질의 결과자료가 도출될 수 있다. 즉, 해양퇴적환경과 관련된 해양조사 및 탐사, 수로측량 사업의 결과자료에 대한 고급화 및 신속한 결과를 제공할 수 있다.
도 3(a) 내지 도 3(g)는 본 발명의 실시예에 따른 천부지층탐사자료의 음향상 분류 기준표이다.
도 3(a)를 참조하면, 기호(1-1) 음향상은 "해저면은 대체로 평탄하고, 표면반사파가 뚜렷하며 하부반사파가 발달하지 않음(Flat, distinct bottom echoes lacking distinct subbottom reflectors)"을 나타낸다.
기호(1-2) 음향상은 "해저면은 대체로 평탄하고 표면반사파가 뚜렷하며, 하부반사파는 희미한 층리를 보이거나 분산되었고, 부분적으로 변형되었거나 경사져 있음(Flat, distinct bottom echoes with diffused, prolonged, or deformed subbottom echoes)"을 나타낸다.
기호(1-3) 음향상은 "해저면은 대체로 평탄하고, 해저면 바로 아래에 판상의 투명한 층이 넓게 분포함(Flat, distinct bottom echoes underlain directly by a transparent layer)"을 나타낸다.
기호(1-4) 음향상은 "해저면은 대체로 평탄하고, 해저면 바로 아래에 쐐기형태의 투명한 층이 분포함. 황해 중부에서 음향상 1-3을 덮고 있음(Extensively flat, distinct bottom echoes underlain directly by a transparent unit that comprises two layers)"을 나타낸다.
기호(1-5) 음향상은 "해저면은 대체로 평탄하고 표면반사파는 뚜렷하거나 분산되었으며, 그와 평행한 하부반사파들이 변형되었거나 약간 기울어져 있음(Flat, distinct bottom echoes with parallel subbottom reflectors. Internal reflectors are often deformed or slightly inclined)"을 나타낸다.
도 3(b)를 참조하면, 기호(1-6) 음향상은 "해저면은 평탄하거나 약간 볼록하며, 표면반사파 하부에 경사진 층리가 잘 발달함. 침식면 위에 아래 걸침하며 상부는 부분적으로 잘려 있음(Distinct bottom echoes with several continuous, inclined, parallel subbottom reflectors. Internal reflectors are shingled. The inclined subbottom reflectors are truncated at the surface)"을 나타낸다.
기호(1-7) 음향상은 "해저면은 대체로 평탄하며, V 자 혹은 U 자 형의 골에 오목한 형태의 하부반사파들로 채워져 있음(Flat, distinct bottom echoes with trough-shaped internal structures)"을 나타낸다.
기호(1-8) 음향상은 "해저면은 대체로 평탄하며, 하부에 음향혼탁층이 나타남(Flat, distinct bottom echoes underlain directly by acoustic turbidity layer)"을 나타낸다.
기호(1-9) 음향상은 "해저면은 경사지고, 뚜렷한 표면반사파 아래에 평행한 하부반사파가 발달함(Distributed inclined sea bed, with distinct surface reflectors underlain accumulated parallel reflectors)"을 나타낸다.
기호(2) 음향상은 "해저면에 큰 기복이 없고 대체로 평탄하며, 연흔형태의 층면구조가 규칙적으로 발달해 있음(Flat sea bottom covered by regularly spaced ripple-shape structures either with or without subbottom echoes)"을 나타낸다.
기호(2-1) 음향상은 "표면반사파는 매우 분산되었으며, 하부반사파가 발달되지 않았거나 매우 분산되어 나타남(Very-prolonged bottom echoes with either no subbottom reflectors or very prolonged and diffuse reflectors)"을 나타낸다.
도 3(c)를 참조하면, 기호(2-2) 음향상은 "표면반사파는 분산되었으며, 다수의 불연속적인 하부반사파가 발달함(Semi-prolonged bottom echoes with several intermittent subbottom reflectors)"을 나타낸다.
기호(2-3) 음향상은 "해저면은 불규칙하며, 그와 평행한 하부반사파가 발달함(Regular, single or slightly overlapping hyperbolae with conformable subbottom reflectors)"을 나타낸다.
기호(2-4) 음향상은 "해저면은 불규칙하며, 그와 평행하거나, 수렴과 발산이 반복 되는 하부반사파가 발달함(Broad, low amplitude hyperbolae or wavy bottom echoes with conformable, migrating subbottom reflectors)"을 나타낸다.
기호(2-5) 음향상은 "표면반사파는 규칙적이고 중첩된 포물선 형태를 보이며, 하부반사파는 매우 분산되고 불연속적으로 발달함(Regular, overlapping hyperbolae with prolonged, discontinuous subbottom reflectors)"을 나타낸다.
기호(2-6) 음향상은 "표면반사파는 크기가 다양한 포물선이 규칙적으로 중첩된 형태를 보이며, 하부반사파는 지역적으로 불연속적이고 분산되어 발달함(Regular, overlapping hyperbolae with slightly varying vertex elevations. Locally discontinuous, prolonged subbottom reflectors)"을 나타낸다.
도 3(d)를 참조하면, 기호(3) 음향상은 "해저면은 완만한 구릉형태를 보이며, 표면반사파가 매끈함. 구릉의 주변부에서 하부반사파들이 일부 관찰됨(Gently mounded, smooth surface with either no subbottom reflectors or weakly stratified internal reflectors on the mound flanks)"을 나타낸다.
기호(3-1) 음향상은 "해저면은 완만한 구릉형태를 보이며, 표면반사파가 뚜렷함. 하부반사파가 간헐적으로 나타나며 일부 음향혼탁층도 존재함(Gently mounded, varying asymmetry or symmetry appearance, showing occasional internal reflectors, and acoustic turbidity)"을 낸다.
기호(3-2) 음향상은 "해저면은 대칭형 또는 비대칭형의 구릉형태를 보이며, 표면반사파는 불규칙한 포물선 형태임. 하부반사파는 발달하지 않음(Irregular parabolic structures on the sea bed, showing mounded appearance, no internal reflectors)"을 나타낸다.
기호(3-3) 음향상은 "해저면에 작은 규모의 불규칙한 등성이들이 나타나며, 하부반사파는 발달하지 않음(Small ridges showed width of several tens meter and height of several meter, no internal reflectors)"을 나타낸다.
기호(3-4) 음향상은 "해저면의 형태는 외해 쪽으로 기울어진 비대칭성 등성이 구조를 보인다. 표면 반사파는 분산되어 있으며 하부 반사파는 거의 나타나지 않는다(Incline seaward mounded, smooth surface with either no subbottom reflectors or weakly stratified internal reflectors on the mound flanks)"을 나타낸다.
기호(4) 음향상은 "해저면은 완만한 구릉형태를 보이며, 규칙적이고 비슷한 규모의 연흔형 층면구조가 표면에 발달함(Gently mounded sea floor covered by small-scale incision)"을 나타낸다.
도 3(e)를 참조하면, 기호(4-1) 음향상은 "해저면은 평탄하거나 완만한 구릉형태를 보이며, 규칙적이고 비슷한 규모의 연흔형 층면구조가 발달함. 하부반사파는 투명하거나 평행하게 나타남(Gently mounded seabed covered by regularly spaced ripple-shape structures. The parallel subbottom reflectors are truncated at the surface)"을 나타낸다.
기호(4-2) 음향상은 "해저면은 상부가 평탄한 구릉형태를 보이며, 연흔형 층면구조가 나타나기도 함. 하부반사파들은 해저면에 평행하거나 기울어져 발달함(Gently mounded, Flat shape top of mound, parallel or inclined subbottom reflectors)"을 나타낸다.
기호(4-3) 음향상은 "해저면은 불규칙하고 표면반사파가 뚜렷하며, 하부반사파는 발달하지 않음(Distinct bottom reflectors with varying vertex elevations, very prolonged subbottom or no subbottom)"을 나타낸다.
기호(5) 음향상은 "해저면은 구릉형태를 보이며, 횡적으로 규모를 달리하는 다양한 층면구조가 배열되어 있음. 일부 쐐기 형태의 단위가 구릉에 걸쳐있기도 함(Gently mounded sea floor on which occur regularly spaced ripple-shape structures, closely overlapped hyperbolic echoes, and wedges of transparent echoes)"을 나타낸다.
기호(6) 음향상은 "해저면은 전반적으로 큰 기복이 없이 평탄하지만 작은 규모의 골이 널리 발달함(Regionally flat sea floor with small-scale troughs)"을 나타낸다.
기호(7) 음향상은 "해저면은 불규칙하고 기복이 심하며, 하부반사파는 발달하지 않음(Erosional sea floor with a great topographic relief, almost no subbottom reflectors)을 나타낸다.
도 3(f)를 참조하면, 기호(8) 음향상은 "해저면은 평탄하고 하부에는 수 m에서 수십 m 두께의 뱅크를 형성함. 하부반사파는 기울어져서 발달함(Irregular sea floor with banks of various geometry that are remarkably well stratified with oblique internal reflectors)"을 나타낸다.
기호(8-1) 음향상은 "표면반사파는 뚜렷하며, 하부에는 내부가 투명한 등성이 형태의 구조를 보임(Distinct surface reflectors, underlain ridge forms, no internal reflectors)"을 나타낸다.
기호(8-2) 음향상은 "표면반사파는 뚜렷하며, 하부에는 불규칙하고 희미한 반사파로 구분되는 등성이 형태의 구조를 보임(Distinct surface reflectors, underlain irregular ridge form structures)"을 나타낸다.
기호(8-3) 음향상은 "표면반사파는 뚜렷하며, 하부에는 불규칙한 등성이 형태의 구조를 보임(Distinct surface reflectors, showing parallel internal reflectors indistinct underlain acoustic turbidity and channel-fill shape)"을 나타낸다.
기호(8-4) 음향상은 "해저면은 불규칙하고, 하부반사파가 해저면에 종결되는 양상을 보임(Irregular sea floor with parallel subbottom reflectors are truncated at the surface)을 나타낸다.
기호(8-5) 음향상은 "표면반사파는 뚜렷하고 연속적이며, 그와 평행하게 하부반사파가 발달함(Sharp and continuous bottom echoes with continuous and parallel subbottom reflectors)"을 나타낸다.
도 3(g)를 참조하면, 기호(9-1) 음향상은 "표면반사파는 불규칙한 포물선 형태를 보이며, 하부반사파가 거의 나타나지 않음(Large irregular hyperbolic echoes with varying vertex elevations with almost no subbottom reflectors)"을 나타낸다.
기호(9-2) 음향상은 "표면반사파는 작은 포물선이 규칙적으로 중첩된 형태를 보이며, 하부반사파는 거의 나타나지 않음(Small, regular hyperbolic echoes with almost no subbottom reflectors)"을 나타낸다.
기호(9-3) 음향상은 "해저면은 급경사지고 사태에 의한 침식 구조가 발달함. 표면반사파는 뚜렷하고 매끈하며, 그와 평행한 하부반사파가 나타남(Distinct, smooth, steeply dipping bottom echoes with parallel subbottom reflectors, draping irregular subsurface topography, incision by slide scar)"을 나타낸다.
기호(9-4) 음향상은 "해저면은 급경사지고 사태에 의한 침식 구조가 발달함. 사태에 의해 강한 하부반사파가 나타나고 상부는 불규칙적인 포물선 형태의 투명한 음향 특성을 보임(Steeply dipping bottom echoes with irregular blocky, lumpy or hyperbolic masses bounded upslope by scars, various amount of internal deformation, scars marked by sharp glide planes or irregular drapes of thin acoustically transparent masses, step-like geometry of failed masses, concave-upward shear planes)"을 나타낸다.
기호(9-5) 음향상은 "상부 퇴적층에 렌즈나 쐐기 형태의 투명한 구조가 나타남(Diffuse, prolonged bottom echoes with acoustically transparent subbottom reflectors lens-shaped or lobate external form)"을 나타낸다.
기호(9-6) 음향상은 "해저면이 매우 불규칙하며 표면 반사파는 분산되어 있다. 하부 반사파는 나타나지 않거나 기울어져 있으며 해저면에 의해 종결되는 양상을 보임(Irregular sea floor with Very-prolonged bottom echoes. No subbottom reflectors or parallel subbottom reflectors are truncated at the surface)"을 나타낸다.
도 4는 본 발명의 일 실시예에 따른 인공지능기반 YOLOv3 모델 학습을 설명하기 위한 예시도이다.
본 발명의 실시예에 따른 이미지 및 영상의 특징 추출에서 탁월한 성능을 보이는 합성곱신경망의 인공지능기반 YOLOv3 모델 학습을 통해 인공지능기법을 천부지층탐사자료 분류에 적용하면, 기존사용자의 육안분석을 통해 도출되는 결과의 단점과 한계를 보완할 수 있으며, 그 결과로 인하여 인공지능기법의 기계학습 능력을 계속해서 향상시킬 수 있다. 또한, 그에 따른 데이터 기반의 음향상 분류를 수행함으로써 빠른 속도의 분류와 일정한 기준의 음향상 분류 결과를 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 천부지층탐사자료의 음향상 분류 개념도이다.
본 발명은 해양 탄성파 반사법 탐사방법으로 획득하는 천부지층탐사자료(510)를 표층반사파와 하부반사파의 해저면 음향특성(521)과 해저지형 특성(522)으로 구분하고, 이미지와 기호를 입력하여 인공지능기법인 합성공신경망 기술, YOLOv3 모델을 천부지층탐사자료 음향상 분류에 적용할 수 있다.
음향상 분류 결과로 천부지층탐사자료의 지층단면도 이미지에 음향상 분류 지역과 기호를 라벨링 과정을 통해 자동으로 도시하여 출력결과물로 도출할 수 있고, 표층반사파와 하부반사파의 해저면 음향특성 및 해저지형 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조를 고려하여 음향상 분류를 수행한 결과(530)를 도출할 수 있다.
도 6은 본 발명의 일 실시예에 따른 인공지능기반 천부지층탐사자료의 음향상 분류 장치의 구성을 나타내는 도면이다.
인공지능기반 천부지층탐사자료의 음향상 분류 장치(600)는 전처리부(610), 학습부(620), 모델링부(630) 및 음향상 분류 수행부(640)를 포함할 수 있다.
본 발명의 실시예에 따른 전처리부(610)는 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하고, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행한다.
본 발명은 해양 탄성파 반사법 탐사방법으로 취득한 천부지층탐사자료를 음향상 분류기준에 따른 자료 분류를 인공지능방법을 이용하여 수행할 수 있는 음향상 분류 기법 개발에 관한 것으로서, 천부지층탐사자료를 음향상으로 분류하기 위해천부지층탐사자료에 나타나는 지층의 연속성과 해상도를 향상시키기 위한 전처리를 수행한다.
먼저, 현장탐사에서 획득한 천부지층탐사자료의 잡음을 제거하고 신호를 보정하고, 수신기 불안정 등의 영향으로 인한 불량 트레이스들을 제거하고 신호가 잘 나타나지 않은 깊은 심도의 자료를 제거한다. 또한, 천부지층탐사자료의 신호대 잡음비를 향상시키기 위해 기하보정 및 감쇄보정을 위한 천부지층자료의 이득회수 값을 결정한다. 뿐만 아니라, 파도 및 파고 등 주변환경에 의한 너울효과 제거하고, 천부지층탐사자료의 특성에 따라 잡음을 포함하는 주파수를 제거할 수도 있다.
본 발명의 실시예에 따르면, 이러한 전처리를 통해 출력된 천부지층탐사자료를 인공지능기법에 적용하기 위해 SEG-Y 형식을 갖는 천부지층탐사자료로 정규화 변환한다.
본 발명의 실시예에 따른 전처리부(610)는 해양 탄성파 반사법 탐사방법에 의해 기록되는 천부지층탐사자료를 해저면 특성과 해저지형 형상으로 구분하여 음향상 분류 기준을 생성하고, 상기 음향상 분류 기준에 따라 이미지와 기호 입력하여 음향상 코드 위치에 대한 레이블링을 수행한다.
자료에 대한 전처리 수행 후, SEG-Y 형태의 천부지층탐사자료를 주신호 및 부가정보로서 로딩(loading)한다. 입력된 천부지층탐사자료의 트레이스에 대한 진폭 및 상관관계를 이용하여 자동으로 표층반사파를 확인하고, 표층반사파 하부의 진폭 및 주파수 등의 음향특성을 분석하여 하부반사파의 퇴적층 구조를 파악한다.
본 발명의 실시예에 따른 학습부(620)는 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 학습을 수행한다. 본 발명의 실시예에 따른 학습부(620)는 인공지능기법인 합성공신경망 YOLOv3 모델을 천부지층탐사자료 음향상 분류에 적용하여 학습을 수행할 수 있다.
본 발명의 실시예에 따른 모델링부(630)는 음향상 분류 모델의 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행한다.
본 발명의 실시예에 따른 음향상 분류 수행부(640)는 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력한다.
본 발명의 실시예에 따른 음향상 분류 수행부(640)는 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행할 수 있다.
본 발명의 실시예에 따른 음향상 분류 수행부(640)는 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 정밀지형자료와 비교 분석하고, 기상자료와 연계 해석하여 연안해역, 대륙붕, 대륙사면, 심해저의 퇴적작용 상호관계를 분석할 수 있다. 또한, 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행할 수 있다.
이와 같이 본 발명은 천부지층탐사자료에 대해 인공지능기법을 이용하여 천부지층의 음향상 분류를 분류기준에 맞게 수행할 수 있다. 또한, 일정한 음향상 분류 결과를 빠른 속도로 출력할 수 있어 천부지층탐사자료의 음향상 분류 작업을 효과적으로 수행할 수 있을 것이며, 음향상 분류의 신속성과 정밀성을 높일 수 있을 것이다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계;
전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계;
음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계;
음향상 분류 모델의 인공지능 기반 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 단계; 및
인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계
를 포함하는 인공지능 기반 천부지층탐사자료의 음향상 분류 방법. - 제1항에 있어서,
상기 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하는 단계는,
천부지층탐사자료에서 나타나는 지층의 연속성과 해상도를 개선하기 위해 천부지층탐사자료의 잡음을 제거하고 신호를 보정하며, 수신기의 안정성을 위해 불량 트레이스를 제거하고 신호가 나타나지 않은 심도의 자료를 제거하며, 천부지층탐사자료의 신호대 잡음비를 개선하기 위해 기하보정 및 감쇄보정을 위한 천부지층탐사자료의 이득회수 값을 결정하고, 파도 및 파고를 포함하는 주변환경에 의한 너울효과를 제거하며, 천부지층탐사자료의 특성에 따라 잡음을 포함하는 주파수를 제거하여 출력된 천부지층탐사자료를 인공지능기법에 적용하기 위해 SEG-Y 형식을 갖는 천부지층탐사자료로 정규화 변환하는
인공지능 기반 천부지층탐사자료의 음향상 분류 방법. - 제1항에 있어서,
상기 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 단계는,
해양 탄성파 반사법 탐사방법에 의해 기록되는 천부지층탐사자료를 해저면 특성과 해저지형 형상으로 구분하여 음향상 분류 기준을 생성하고, 상기 음향상 분류 기준에 따라 이미지와 기호 입력하여 음향상 코드 위치에 대한 레이블링을 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 방법. - 제1항에 있어서,
상기 음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 인공지능 기반 학습을 수행하는 단계는,
인공지능기법인 합성공신경망 모델을 천부지층탐사자료 음향상 분류에 적용하여 학습을 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 방법. - 제1항에 있어서,
상기 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 단계는,
해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행하고,
상기 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 정밀지형자료와 비교 분석하고, 기상자료와 연계 해석하여 연안해역, 대륙붕, 대륙사면, 심해저의 퇴적작용 상호관계를 분석하며, 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 방법. - 인공지능 기반 학습을 위한 학습데이터 구축을 위해 천부지층탐사자료의 전처리를 수행하고, 전처리된 천부지층탐사자료에 대하여 음향상 분류 기준에 따라 음향상 코드 위치에 대한 레이블링을 수행하는 전처리부;
음향상 분류 기준에 따른 최적의 음향상 분류 모델을 이용하여 전처리된 천부지층탐사자료에 대한 학습을 수행하는 학습부;
음향상 분류 모델의 학습 수행에 따른 검증 데이터를 이용하여 음향상 분류 모델의 예측결과를 생성하고, 음향상 분류 모델의 정확도 개선을 위한 튜닝을 수행하는 모델링부; 및
학습 및 검증된 음향상 분류 모델을 이용하여 천부지층탐사자료의 음향상 분류를 수행하고 결과를 출력하는 음향상 분류 수행부
를 포함하는 인공지능 기반 천부지층탐사자료의 음향상 분류 장치. - 제6항에 있어서,
상기 전처리부는,
천부지층탐사자료에서 나타나는 지층의 연속성과 해상도를 개선하기 위해 천부지층탐사자료의 잡음을 제거하고 신호를 보정하며, 수신기의 안정성을 위해 불량 트레이스를 제거하고 신호가 나타나지 않은 심도의 자료를 제거하며, 천부지층탐사자료의 신호대 잡음비를 개선하기 위해 기하보정 및 감쇄보정을 위한 천부지층탐사자료의 이득회수 값을 결정하고, 파도 및 파고를 포함하는 주변환경에 의한 너울효과를 제거하며, 천부지층탐사자료의 특성에 따라 잡음을 포함하는 주파수를 제거하여 출력된 천부지층탐사자료를 인공지능기법에 적용하기 위해 SEG-Y 형식을 갖는 천부지층탐사자료로 정규화 변환하는
인공지능 기반 천부지층탐사자료의 음향상 분류 장치. - 제6항에 있어서,
상기 전처리부는,
해양 탄성파 반사법 탐사방법에 의해 기록되는 천부지층탐사자료를 해저면 특성과 해저지형 형상으로 구분하여 음향상 분류 기준을 생성하고, 상기 음향상 분류 기준에 따라 이미지와 기호 입력하여 음향상 코드 위치에 대한 레이블링을 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 장치. - 제6항에 있어서,
상기 학습부는,
인공지능기법인 합성공신경망 모델을 천부지층탐사자료 음향상 분류에 적용하여 학습을 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 장치. - 제6항에 있어서,
상기 음향상 분류 수행부는,
해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행하고,
상기 인공지능 기반 학습 및 검증된 음향상 분류 모델을 이용하여 정밀지형자료와 비교 분석하고, 기상자료와 연계 해석하여 연안해역, 대륙붕, 대륙사면, 심해저의 퇴적작용 상호관계를 분석하며, 해저면 표층반사파와 해저면 아래의 하부반사파에 관한 해저면 특성에 대하여 수평적 연속성과 퇴적층 퇴적구조에 따라 음향상 분류를 수행하는
인공지능 기반 천부지층탐사자료의 음향상 분류 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210149616A KR102686089B1 (ko) | 2021-11-03 | 2021-11-03 | Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210149616A KR102686089B1 (ko) | 2021-11-03 | 2021-11-03 | Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230064662A true KR20230064662A (ko) | 2023-05-11 |
| KR102686089B1 KR102686089B1 (ko) | 2024-07-23 |
Family
ID=86379325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210149616A KR102686089B1 (ko) | 2021-11-03 | 2021-11-03 | Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102686089B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101437907B1 (ko) | 2014-05-27 | 2014-09-04 | 지마텍 주식회사 | 신호 대 잡음비가 향상된, 탄성파 탐사 자료에 의하여 해저면 퇴적물의 종류를 자동 분류하는 방법 |
| US20190034812A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base |
-
2021
- 2021-11-03 KR KR1020210149616A patent/KR102686089B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101437907B1 (ko) | 2014-05-27 | 2014-09-04 | 지마텍 주식회사 | 신호 대 잡음비가 향상된, 탄성파 탐사 자료에 의하여 해저면 퇴적물의 종류를 자동 분류하는 방법 |
| US20190034812A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base |
Non-Patent Citations (1)
| Title |
|---|
| 한국자원공학회지 ksmer-2020-057-03-295 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102686089B1 (ko) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alaudah et al. | A machine-learning benchmark for facies classification | |
| Eide et al. | Seismic interpretation of sill complexes in sedimentary basins: implications for the sub-sill imaging problem | |
| Mitchum Jr et al. | Seismic stratigraphy and global changes of sea level: Part 6. Stratigraphic interpretation of seismic reflection patterns in depositional sequences: Section 2. Application of seismic reflection configuration to stratigraphic interpretation | |
| Trobec et al. | Thickness of marine Holocene sediment in the Gulf of Trieste (northern Adriatic Sea) | |
| US10359526B2 (en) | Amplitude-versus-angle analysis for quantitative interpretation | |
| Lu et al. | Multichannel Seismic Survey of the Colombia Basin and Adjacent Margins: Convergent Margins; Field Investigations of Margin Structure and Stratigraphy | |
| US20240265696A1 (en) | Methods for Digital Imaging of Living Tissue | |
| CN117546051A (zh) | 使用s波速度模型和机器学习进行地震成像的方法和系统 | |
| Cook et al. | Controls on spatial and temporal evolution of prism faulting and relationships to plate boundary slip offshore north‐central Sumatra | |
| Boukerbout et al. | Identification of deep magnetized structures in the tectonically active Chlef area (Algeria) from aeromagnetic data using wavelet and ridgelet transforms | |
| Bugge et al. | Automatic extraction of dislocated horizons from 3D seismic data using nonlocal trace matching | |
| Brancatelli et al. | Time to depth seismic reprocessing of vintage data: A case study in the Otranto Channel (South Adriatic Sea) | |
| Chen et al. | Occurrence of submarine canyons, sediment waves and mass movements along the northern continental slope of the South China Sea | |
| Majumdar et al. | Neural net detection of seismic features related to gas hydrates and free gas accumulations on the northern US Atlantic margin | |
| Wood et al. | Sediment thickness and crustal structure of offshore western New Zealand from 3D gravity modelling | |
| KR102686089B1 (ko) | Ai 기반 천부지층탐사자료의 음향상 분류 방법 및 장치 | |
| Riedel | 4D seismic time-lapse monitoring of an active cold vent, northern Cascadia margin | |
| Liu et al. | Wave-equation diffraction imaging using pseudo dip-angle gather | |
| Power et al. | 3D seismic-derived bathymetry: a quantitative comparison with multibeam data | |
| Moon et al. | Correlation of seismicity with geologic structures at the middle eastern Korean margin in the East Sea (Japan Sea) and seismic hazard assessment | |
| Obelcz et al. | A machine learning approach using legacy geophysical datasets to model Quaternary marine paleotopography | |
| Choi et al. | Late Pleistocene sequence architecture on the geostrophic current-dominated southwest margin of the Ulleung Basin, East Sea | |
| CN113945993A (zh) | 一种滩相储层预测方法及装置 | |
| Henstock et al. | Structure and seismotectonics of the Mendocino triple junction, California | |
| Soleimani | Challenges of seismic imaging in complex media around Iran, from Zagros overthrust in the southwest to Gorgan Plain in the northeast |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |